ROC-kurvan
Nu har du byggt en logistisk regressionsmodell för att förutsäga diabetesstatus och kan rita ROC-kurvan för att visualisera hur den sanna positivfrekvensen och den falska positivfrekvensen varierar när beslutströskeln förändras.
Testsnitten, y_test, och de förutsagda sannolikheterna för att testdatapunkterna tillhör den positiva klassen, y_pred_probs, har laddats in åt dig, tillsammans med matplotlib.pyplot som plt.
Du ska skapa en ROC-kurva och sedan tolka resultaten.
Den här övningen är en del av kursen
Övervakad inlärning med scikit-learn
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import roc_curve
____
# Generate ROC curve values: fpr, tpr, thresholds
fpr, tpr, thresholds = ____(____, ____)
plt.plot([0, 1], [0, 1], 'k--')
# Plot tpr against fpr
plt.plot(____, ____)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve for Diabetes Prediction')
plt.show()